目标识别技术研究是计算机视觉研究领域中重要的研究方向之一,该技术也已逐渐成为计算机应用领域中提供准确目标类别信息的一项重要技术。当前,很多目标识别技术均是基于深度学习框架实现的,但是在实际应用中,成像探测器获取原始图像数据并作为深度学习框架的输入,进而实现目标识别的方式并非高效,数据获取并识别的过程包含了大量的冗余信息,降低了识别效率,虽然池化层等网络层次的出现实现了深度学习框架数据量的降级,但与此同时也造成了识别过程部分数据特征的丢失。针对以上问题,本文以人脸识别以及手写字体识别研究为例,提出了一种通过压缩学习（Compressive Learning,CL）来感知多域特征的硬件图像获取与目标识别算法相结合的一体化图像目标识别技术,不仅大大减小了目标识别深度学习框架的数据输入量,而且保持了较高的识别准确率。该方法有望成为一种更高效,更灵活的目标识别方法,不仅可用于民用智能设备应用领域,而且在航天、军事等多个领域同样适用。本文的主要研究内容如下:（1）提出了一种在成像探测器内部实现的多维压缩数据快速构建生成方法,以解决当前的数据获取效率低、存储空间大、蕴含特征维度较低的问题。其具备的优势主要有两点:一是充分应用成像设备特性,基于成像探测器内部的Binning模块获取的下采样压缩数据与压缩感知模块获取的观测值数据可直接输出作为原始图像数据在不同域内的压缩特征数据,并且成像探测器内部不再需要额外的压缩重建模块,可进一步提升成像探测器内部的空间利用率,减小了数据量;二是对获取的下采样压缩数据与观测值数据进行快速合成以生成具备原始图像多域特征的多维压缩数据,该数据具备特征丰富度更高、数据量更小等优点。经过实验结果对比分析可知,本文提出的多维压缩数据快速构建生成方法与传统图像获取方式相比较,数据获取效率更高,占据的存储空间更小。（2）提出了一种结合多域特征实现的压缩学习图像目标识别技术,以解决基于深度学习的目标识别技术研究所面临的待处理数据量大、学习特征域单一而造成的识别效率低,以及数据压缩所带来的识别准确度下降的问题。该技术将压缩感知域数据与空间压缩域数据构建的多维压缩数据代替原始图像数据,并通过目标识别卷积神经网络进行训练,实现多域卷积学习,进而获取学习特征域更加丰富、效率更高的目标识别神经网络模型,而后将基于不同方法获取的目标识别神经网络模型进行目标识别实验验证,实验结果表明,本文提出的压缩学习图像目标识别方法在识别准确度上高于基于单域压缩的图像目标识别方法,降低了数据压缩对目标识别准确度的影响,并且具备比传统基于原始图像进行的目标识别方法更高效的识别速率。本文研究的基于多域特征压缩学习实现的图像目标识别方法不仅拓展了深度学习方法的学习特征丰富度,而且其具备的硬件友好性为目标识别一体化应用技术的发展提供了全新的思路,对目标识别方法的研究具备较高的参考意义。